분산 분석 유의성을 사용하지 않고 매개변수 추정 유의성을 계속 사용하는 방법[인터랙티브 설명]
DSD(Definitive Screening Design)로 응답을 분석한 결과 "예측 플롯별 실제" 보고서에 대한 분산 분석(p=0.0898)에서 의미가 없었습니다. 그러나 모수 추정 보고서는 한 요인에 대해 유의성(p=0.0321)을 보여주었습니다.비슷한 결과가 다음 예에 설명되어 있습니다. http://www.jmp.com/support/help/Examples_of_Definitive_Screening_Designs.shtml#424359 . 나는 최소 제곱과 단계적 성격에 대해 이 결과를 관찰했습니다.
분산 분석:
RSq: 0.38
반경 조정: 0.25
n=13
DSD: N = 13 / 반복 없음 / 3 요인 모두 연속
응답: 반복 없음/연속
첨부된 플롯의 잔여물.
0. Anova가 거부하는 경우에도 유의성이 관련이 있습니까?
1. 어떻게 분석을 계속할 수 있습니까?
3. 매개변수 추정 보고서에 사용되는 특정 t-테스트는 무엇입니까?
4. 결과가 테스트 가정을 위반했음을 나타내는가?
Re: 분산 분석 유의성은 없지만 매개변수 추정 유의성으로 계속하는 방법화면 캡처는 예측 플롯의 잔차 , 나는 Studentized 잔차 또는 명시된 다른 플롯이 아니라고 생각합니다. (축 레이블은 포함되지 않았습니다.) 이 플롯에는 이상이 없습니다. 관련 반응 범위에 대해 높은 분산을 나타내므로 R 제곱이 작고 테스트의 검정력이 낮습니다.
그만큼 예측 플롯에 의한 실제 적합성이 부족한 경우 모델에 바이어스가 표시됩니다. (잔차 그림에서도 분명해야 합니다.) 이 상황은 연속 요인의 비선형 효과가 있고 이 요인에 대해 2차 항을 추가해야 함을 나타낼 수 있습니다.
6. 잔차 분포는 모델에 따라 다르므로 모델의 항에 따라 다릅니다. 잔차는 응답의 무작위 오류 추정치라고 가정하지만 적합성이 부족한 경우 응답 오류와 모델 편향의 선형 조합입니다.
7. 분포의 형태(정상 또는 기타)는 고유한 특성인 응답의 특성에 따라 다릅니다. 선형 회귀는 오류가 정규 분포되어 있다고 가정하고 평균 = 0이고 분산이 일정한 정규 분포로 모델링합니다. 설계의 런 수에 따라 달라지지 않습니다. 오류에 대해 다른 분포 모델을 사용할 수 있는 다른 회귀 방법(예: 일반화된 선형 모델)이 있습니다.
8. 이 질문을 이해할 수 없습니다.
Re: 분산 분석 유의성은 없지만 매개변수 추정 유의성으로 계속하는 방법우선, DSD는 디자인을 위한 많은 선택 중 하나입니다. 방법 . 모든 설계 방법은 동일한 문제를 해결해야 합니다. 원칙 . 이제 특히 선별 실험 설계를 위한 모든 방법은 다음과 같은 추가 원칙이 적용된다고 가정합니다.
- 효과의 희소성 : 많이있다 잠재적인 요인 및 따라서 이러한 요인의 많은 잠재적 효과(주요 효과, 상호 작용 효과, 선형 모델의 비선형 효과) 실제로는 극히 일부만 활성화됩니다. .
- 효과의 계층 : 응답에 대한 효과의 대부분은 본질적으로 1차이고, 두 번째로 많은 효과는 본질적으로 2차입니다. 따라서 고차 효과는 일반적으로 무시되며 모델에 포함할 필요가 없으므로 실험 설계에서 처리할 필요가 없습니다.
- 영향의 유전 : 모든 고차 효과는 강력한 1차 효과를 갖는 요인과 연관됩니다.
- 투사 : 비활성 요인을 제거하면 남은 몇 가지 요인에 대해 더 높은 차수 모형을 맞출 수 있는 설계가 생성됩니다.
스크리닝 디자인은 다음 중에서 결정해야 하는 스크리닝 실험을 위한 것입니다. 많은 수 활성 상태인 잠재적 요인의 r. 저는 3가지 요인을 큰 숫자나 진정한 선별 상황이라고 생각하지 않습니다. 3가지 요소의 경우 DSD보다 디자인 방법에 대해 더 나은 선택이 있습니다. 주문 설계 .
DSD 플랫폼에는 오용(요소가 너무 적음)을 방지하는 기능이 내장되어 있습니다. 그것은 실제로 포함 가짜 요인 설계의 검정력을 높이기 위해 주효과 모형을 맞추는 데 꼭 필요한 것보다 더 많은 수의 실행이 포함된 설계가 생성됩니다. (가짜 요소 열은 디자인이 표시되기 전에 제거됩니다.)
Re: 분산 분석 유의성은 없지만 매개변수 추정 유의성으로 계속하는 방법매우 유용한 지원에 대해 markbailey에게 대단히 감사합니다. 귀하의 답변은 실제로 큰 발전을 가져옵니다. 분석은 나에게 훨씬 더 명확합니다.
귀하의 답변에 따라: 5. 3개 요소의 DoE에 DSD를 사용한 것이 전혀 문제가 됩니까?
내 첫 번째 게시물에 추가: DSD 평가를 위한 특수 모델은 나에게 의미가 없었습니다. 그러나 하나의 요인 A가 주효과 다이어그램에 영향을 미치는 것으로 보입니다. 두 가지 요인(B+C)을 제외하면 모델이 좋지 않지만(첫 번째 게시물 참조) 요인 A에 대한 유의성이 나타납니다.
나는 특히 당신이 말한 잔류 물에 대한 분석을 계속했습니다. 스튜던트화 잔류물은 이상을 보이지 않습니다. 그러나 첨부 파일에서 볼 수 있듯이 잔류물 "실제 대 예측 플롯"에 대한 이상한 분포를 받았습니다.
6. 이것은 내가 necleget 다른 두 가지 요인에서 파생된 분포?
7. 아니면 데이터 포인트의 양이 정규 분포를 얻기에 충분하지 않습니까?
8. 모델의 데이터가 동일한 분산/정규 분포를 갖지 않는다는 결론을 내릴 수 있습니까?
Re: 분산 분석 유의성은 없지만 매개변수 추정 유의성으로 계속하는 방법우선, 모든 테스트가 올바르게 수행되었지만 서로 다른 질문에 답하고 있습니다. 그래서 여기에 당신의 구체적인 질문이 있습니다.
- 개별 매개변수 추정치의 유의성은 명백히 중요하지 않은 ANOVA에도 불구하고 정확할 수 있습니다. ANOVA는 전체 모델(모든 효과) 대 축소된 모델(효과 없음 - 절편만)에 대해 테스트합니다. 진정한 선별 실험에서는 많은 요인을 테스트하기 위해 경제적인 설계를 사용하기 때문에 분모에 대한 자유도가 거의 없습니다. 물론 알파 선택에 따라 다릅니다. 실제 선별 상황에서는 더 낮은 유형 II 오류율을 달성하기 위해 더 높은 알파(더 높은 유형 I 오류율 허용)를 사용할 수 있습니다.
- 가장 낮은 p-값보다 상당히 높고 실제로 중요하지 않은 것으로 간주되는 경우 가장 중요하지 않은 매개변수(가장 높은 p-값)를 제거할 수 있습니다. 나머지 매개변수가 중요하다고 느낄 때까지 이와 같이 반복합니다. 테스트 중인 전체 모델과 오류에 대한 DF가 각 반복마다 변경되기 때문에 ANOVA의 p-값도 변경됩니다.
- 매개변수에 대한 t-검정은 매개변수가 실제로 0(영향 없음)이고 0이 아닌(진정한 영향)이라는 귀무 가설입니다. 그것은 일반적인 방식으로 구성됩니다: t = (매개변수 추정치 - 가정된 매개변수) / 매개변수 추정치의 표준 오차. 이 경우 가설 매개변수는 0이므로 표시되는 t 비율은 단순히 추정치를 표준 오차로 나눈 값입니다.
- 이러한 결과만으로는 가정을 위반했다는 표시가 아닙니다. 분산과 독립성이 일정한 정규 분포 오류의 가정을 확인하려면 잔차 분석을 수행해야 합니다.
